Capítulo 4 Variable cartografiada por entidad

El siguiente texto ejemplifica la ejecución del código seleccionando la variable que se quiere estudiar

Los parámetros se seleccionan en la ejecución cómo se muestra en el video final

’— title: “Variable cartografiada por entidad”

author: “Claudia Guerrero S”

date: “17/02/2021”

output: html_document: df_print: paged pdf_document: default

params:

’#=======================#

’# Render Function: #

’#=======================#

estilo: label: “Estilo” value: jenks input: select choices: ’[pretty,equal,quantile,sd,kmeans,jenks,fisher]

varname: label: “Variable” value: P_60YMAS input: select choices: [POBTOT,POBFEM,POBMAS,P_0A2,P_0A2_F,P_0A2_M,P_3YMAS,P_3YMAS_F,P_3YMAS_M,P_5YMAS,P_5YMAS_F,P_5YMAS_M,P_12YMAS]

entidad: label: “Entidad Federativa” value: Coahuila de Zaragoza input: select choices: [Aguascalientes,Baja California,Baja California Sur,Campeche,Coahuila de Zaragoza,Colima,Chiapas,Chihuahua,Ciudad de México,Durango,Guanajuato,Guerrero,Hidalgo,Jalisco,México,Michoacán de Ocampo,Morelos,Nayarit,Nuevo León,Oaxaca,Puebla,Querétaro,Quintana Roo,San Luis Potosí,Sinaloa,Sonora,Tabasco,Tamaulipas,Tlaxcala,Veracruz de Ignacio de la Llave,Yucatán,Zacatecas]

’—

4.1 Datos cartográficos nivel municipal

https://www.inegi.org.mx/contenidos/productos/prod_serv/contenidos/espanol/bvinegi/productos/geografia/marcogeo/889463807469_s.zip

Marco Geoestadístico. Censo de Población y Vivienda 2020 2020 2.65 GB https://inegi.org.mx/contenidos/productos//prod_serv/contenidos/espanol/bvinegi/productos/geografia/marcogeo/889463807469_s.zip

Ficha de información https://inegi.org.mx/app/biblioteca/ficha.html?upc=889463807469

Se descarga y se descomprime localmente Se crea una carpeta para los datos geográficos

#La ruta para el mapa de México se toma del Marcogeostadístico nacional

rutam<-"D:/Documents/Claudia/Midropbox/Investigacion y escritos/Marcogeoestadisticonacional/mg_sep2019_integrado/conjunto_de_datos"


basemapan <- readOGR(rutam,"00mun", use_iconv = TRUE, encoding = "latin1")

## OGR data source with driver: ESRI Shapefile 
## Source: "D:\Documents\Claudia\Midropbox\Investigacion y escritos\Marcogeoestadisticonacional\mg_sep2019_integrado\conjunto_de_datos", layer: "00mun"
## with 2465 features
## It has 4 fields

tm_shape(basemapan) +
  tm_polygons(col = "MAP_COLORS",
              minimize = TRUE)

#La ruta para el archivo que tiene las variables censales y su descripción

#rutvar<-"D:/Documents/Claudia/Midropbox/Investigacion y escritos"

#variablescensales<-read.csv(paste0(rutvar,"/Censo2020/","variablescensales.csv"),header=TRUE, sep=",",encoding="UTF-8")
## Importación de datos cartográficos

4.2 Importación de datos censales

En el sitio del INEGI se encuentran los resultados del CENSO 2020 para cada una de las entidades de la población https://www.inegi.org.mx/programas/ccpv/2020/default.html#Datos_abiertos

Principales resultados por localidad (ITER) Estados Unidos Mexicanos 2020
https://www.inegi.org.mx/contenidos/programas/ccpv/2020/datosabiertos/iter/iter_00_cpv2020_csv.zip

Para recuperar los datos censales a nivel estatal:

En el archivo se registra la población total de la entidad cuando en el nombre de la localidad aparece la leyenda “Total de la Entidad”

#url<-paste0("https://www.inegi.org.mx/contenidos/programas/ccpv/2020/datosabiertos/iter/iter_00_cpv2020_csv.zip")
#temp <- tempfile()
#temp2 <- tempfile()
#download.file(url, temp)
#unzip(zipfile = temp, exdir = temp2)
#rut<-file.path(temp2)



#censonal<- read.csv(paste0(rut,"/","conjunto_de_datos/conjunto_de_datos_iter_00CSV20.csv"),header=TRUE, sep=",",encoding="UTF-8")

censonal<-censonalo
names(censonal)[1] <- "CVE_ENT"

#Datos de toda la entidad uso del campo nom_loc para identificar los valores de las variables a nivel estatal

latmx="México"
codent<-substr(censonal$CVE_ENT,1,2)
codent<-sprintf("%02d%s", as.numeric(gsub("[^0-9]+", "", codent)), gsub("[0-9]+", "", codent))

codmun<-substr(censonal$MUN,1,3)
codmun<-sprintf("%03d%s", as.numeric(gsub("[^0-9]+", "", codmun)), gsub("[0-9]+", "", codent))
censonal$CVEGEO<-paste0(codent,codmun)

 censonal <-subset(censonal,censonal$NOM_ENT %in% c(params$entidad))
censonal <-subset(censonal,censonal$NOM_LOC %in% c("Total del Municipio"))
 
#Ahora el mapa tiene el dato de las 198 variables del censo
#Conversión a número


cols = c(11:231)    
censonal[,cols] %<>% lapply(function(x) as.integer(as.character(x)))

basemapa<-merge(basemapan,censonal,by="CVEGEO", all.x =TRUE)

4.3 Variables en la entidad,mapa nacional

tmap_mode("plot")

desc<-case_when(
  params$estilo == "pretty" ~ "El estilo pretty redondea y divide en números enteros siempre que sea posible y los espacia uniformemente. \n \n ",
  params$estilo == "equal" ~ "El estilo equal divide los valores en rangos de igual ancho \n \n ",
  params$estilo == "quantile" ~ "El estilo quantile crea rangos con un igual número de poligonos (estados) \n \n ",
  params$estilo == "sd" ~ "El estilo sd calcula la desviación estándar de la variable y la usa como valor para el ancho de los rangos. \n \n ",
  params$estilo == "kmeans" ~ "El estilo kmeans utiliza la media de la variable y la usa como valor para el ancho de los rangos. \n \n ",
  params$estilo == "jenks" ~ "El estilo jenks identifica grupos de valores similares y maximiza la diferencia entre categorías. \n \n ",
  params$estilo == "fisher" ~ "El estilo fisher crea grupos con la máxima homogeneidad \n \n  ")

#glue("  \n## ",params$varname," \n \n ") %>% cat()

glue(params$varname," \n \n ") %>% cat()

P_60YMAS

  varindi<-variablescensales[variablescensales$mnemonico == params$varname, "indicador"]
  vardesc<-variablescensales[variablescensales$mnemonico == params$varname, "descripcion"]
  
  glue::glue (" {varindi} \n\n") %>% cat()

Población de 60 años y más

  glue("\n\n") ## one newline

  glue::glue (" {desc} \n\n") %>% cat()

El estilo pretty redondea y divide en números enteros siempre que sea posible y los espacia uniformemente.

mapi<-tm_shape(basemapa) + 
  tm_fill(params$varname,title=params$varname,legend.hist=TRUE ,n = 8,id="NOM_MUN",palette="RdYlBu",style=params$estilo,convert2density = TRUE) + 
  tm_borders()+
  tm_layout(legend.outside = TRUE, legend.outside.position = "right")+
  tm_layout(title = paste0({vardesc}, " censo 2020"), title.size = 0.5, title.position = c("right","bottom"))

mapi

basic.stats <- function(dset, vars){
    for(i in 1:length(vars)){
        print(vars[i])
        gg<-ggplot(data=dset, aes(x = dset$NOM_MUN, y =          dset[[vars[i]]])) + coord_flip()+
        geom_bar(stat="identity", fill = "#FF6666") +
  ylab(params$varname) +
  xlab("")
        print(gg)
        glue("  \n## "," \n \n \n ") %>% cat()
        glue("  \n## "," \n \n \n ") %>% cat()
        print(summary(dset[[vars[i]]]))
        glue("  \n## "," \n \n \n ") %>% cat()
        glue("  \n## "," \n \n \n ") %>% cat()
        print(quantile(dset[[vars[i]]],c(0,.01,.1,.5,.9,.99,1)))
        glue("  \n## "," \n \n ") %>% cat()
    }
  }
  
  basic.stats(censonal, c(params$varname))

[1] “P_60YMAS” ##

Min. 1st Qu.  Median    Mean 3rd Qu.    Max.

201.0 618.5 2669.5 9172.0 7966.5 89453.0 ##

   0%       1%      10%      50%      90%      99%     100%

201.00 209.88 295.10 2669.50 14211.30 88746.30 89453.00 ##

tmap_mode("plot")

4.4 Mapa de la entidad

Se creó un archivo con la información del nombre del archivo para cade entidad, este archivo se llama y el contenido lo podemos tener en la tabla geoentidades Y así la base del mapa será el de la entidad

rutamc<-"D:/Documents/Claudia/Midropbox/Investigacion y escritos/Censo2020/"


geoentidades<-read.csv(paste0(rutamc,"marcogeoentidad.csv"),header=TRUE, sep=",",encoding="UTF-8")
  glue("\n\n") ## one newline

head(geoentidades,1)

NUM_ENT NOM_ENT minent COD_ENT ARCHENT 1 1 Aguascalientes aguascalientes 1 01_aguascalientes

   glue("\n\n") ## one newline

rutamc<-"D:/Documents/Claudia/Midropbox/Investigacion y escritos/Censo2020/889463807469_s"


codent<-substr(geoentidades$NUM_ENT,1,2)
codent<-sprintf("%02d%s", as.numeric(gsub("[^0-9]+", "", codent)), gsub("[0-9]+", "", codent))


geoentidades$COD_ENT<-codent
geoentidades <-subset(geoentidades,geoentidades$NOM_ENT %in% c(params$entidad))

rutamc<-"D:/Documents/Claudia/Midropbox/Investigacion y escritos/Censo2020/889463807469_s/"
filename<-geoentidades$ARCHENT

filemun<-paste0(geoentidades$COD_ENT,"mun")
url<-paste0(rutamc,filename,".zip")
temp2 <- tempfile()
unzip(url, exdir = temp2)
rut<-file.path(temp2)
rutamun<-paste0(rut,"/conjunto_de_datos")

  glue("\n\n") ## one newline

basemapan <- readOGR(rutamun,filemun, use_iconv = TRUE, encoding = "latin1")

OGR data source with driver: ESRI Shapefile Source: "C:.Guerrero1d3842ba17b4_de_datos“, layer:”05mun" with 38 features It has 4 fields

tm_shape(basemapan) +
  tm_polygons(col = "MAP_COLORS",
              minimize = TRUE)

#La ruta para el archivo que tiene las variables censales y su descripción

rutvar<-"D:/Documents/Claudia/Midropbox/Investigacion y escritos"

variablescensales<-read.csv(paste0(rutvar,"/Censo2020/","variablescensales.csv"),header=TRUE, sep=",",encoding="UTF-8")


censonal<-censonalo
names(censonal)[1] <- "CVE_ENT"

#Datos de toda la entidad uso del campo nom_loc para identificar los valores de las variables a nivel estatal

latmx="México"
codent<-substr(censonal$CVE_ENT,1,2)
codent<-sprintf("%02d%s", as.numeric(gsub("[^0-9]+", "", codent)), gsub("[0-9]+", "", codent))

codmun<-substr(censonal$MUN,1,3)
codmun<-sprintf("%03d%s", as.numeric(gsub("[^0-9]+", "", codmun)), gsub("[0-9]+", "", codent))
censonal$CVEGEO<-paste0(codent,codmun)

 censonal <-subset(censonal,censonal$NOM_ENT %in% c(params$entidad))
censonal <-subset(censonal,censonal$NOM_LOC %in% c("Total del Municipio"))
 
#Ahora el mapa tiene el dato de las 198 variables del censo
#Conversión a número


cols = c(11:231)    
censonal[,cols] %<>% lapply(function(x) as.integer(as.character(x)))

basemapa<-merge(basemapan,censonal,by="CVEGEO", all.x =TRUE)

4.5 Variables en el mapa de la entidad

P_60YMAS Población de 60 años y más

El estilo pretty redondea y divide en números enteros siempre que sea posible y los espacia uniformemente.

[1] “P_60YMAS” ##

Min. 1st Qu.  Median    Mean 3rd Qu.    Max.

201.0 618.5 2669.5 9172.0 7966.5 89453.0 ##

   0%       1%      10%      50%      90%      99%     100%

201.00 209.88 295.10 2669.50 14211.30 88746.30 89453.00 ##

4.6 Video

Este proceso se detalla en el siguiente video